[논문 리뷰] Generalized Linear Models with Linear Constraints for Microbiome Compositional Data

Jiarui Lu, Pixu Shi외 1명|arXiv (Cornell University)|2018. 01. 10.

Geochemistry and Geologic Mapping참고 문헌 20인용 수 6

한 줄 요약

이 논문은 미생물군집 조성 데이터의 부분조합 일관성(부분조합 일관성)을 보장하고 추정 정확도를 향상시키기 위해 선형 제약 조건을 가진 일반화된 선형 모형을 제안한다. 이는 일반화된 가속화된 프락시멀 그래디언트 알고리즘을 사용한 페널티 최대우도 추정 방법과, 점근적으로 정규분포를 따르고 타당한 신뢰구간을 생성하는 비편향 처리 절차를 도입한다. 시뮬레이션 결과, 올바른 제약 조건 하에서 신뢰구간의 커버리지가 향상되고 분산이 감소하는 것으로 나타났다.

ABSTRACT

Motivated by regression analysis for microbiome compositional data, this paper considers generalized linear regression analysis with compositional covariates, where a group of linear constraints on regression coefficients are imposed to account for the compositional nature of the data and to achieve subcompositional coherence. A penalized likelihood estimation procedure using a generalized accelerated proximal gradient method is developed to efficiently estimate the regression coefficients. A de-biased procedure is developed to obtain asymptotically unbiased and normally distributed estimates, which leads to valid confidence intervals of the regression coefficients. Simulations results show the correctness of the coverage probability of the confidence intervals and smaller variances of the estimates when the appropriate linear constraints are imposed. The methods are illustrated by a microbiome study in order to identify bacterial species that are associated with inflammatory bowel disease (IBD) and to predict IBD using fecal microbiome.

연구 동기 및 목표

• 상대 빈도의 단위합 제약 조건으로 인해 기존의 회귀 방법이 실패하는 미생물군집 조성 데이터 분석에서 부분조합 일관성 문제를 해결하기 위해.
• 미생물군집 데이터의 조성적 성격을 반영하기 위해 회귀 계수에 선형 제약 조건을 포함하는 일반화된 선형 모형 프레임워크를 개발하기 위해.
• 선형 제약 조건 하에서 l1-페널티 추정치의 편향을 보정함으로써 타당한 통계적 추론을 가능하게 하기 위해.
• 고차원 설정에서 선형 제약 조건 하의 페널티 부정확도 로그우도 최적화를 위한 효율적인 계산 알고리즘을 제공하기 위해.
• 실제 및 시뮬레이션 데이터를 통해 제안된 방법의 성능을 시험하여, 제약 조건이 적절히 설정된 경우에 신뢰구간 커버리지가 향상되고 분산이 감소함을 보여주기 위해.

제안 방법

• 데이터의 조성적 구조에서 유도된 선형 제약 조건을 가진 회귀 계수에 대해 일반화된 선형 모형을 제안하여 부분조합 일관성을 보장한다.
• 변수 선택 및 고차원 미생물군집 데이터 처리를 위해 l1-페널티 최대우도 추정 절차를 사용한다.
• 표준 방법을 선형 제약 조건을 수용할 수 있도록 확장한 일반화된 가속화된 프락시멀 그래디언트 방법을 개발하여 제약 조건이 있는 최적화 문제를 효율적으로 해결한다.
• Javanmard와 Montanari(2014)의 방법을 변형하여 제약 조건이 있는 설정에 적합하게 조정한 비편향 추정 절차를 도입하여 점근적으로 편향이 없고 정규분포를 따르는 추정치를 생성한다.
• 비편향 추정치의 점근적 분포를 유도하여 회귀 계수에 대한 타당한 신뢰구간을 구축할 수 있도록 한다.
• 비편향 처리 단계에서 정밀도 행렬을 제어하기 위해 고차원 공분산 추정 전략을 활용하여 희박성 가정 하에서 일致성을 확보한다.

실험 결과

연구 질문

• RQ1 선형 제약 조건이 있는 일반화된 선형 모형이 미생물군집 조성 데이터 분석에서 부분조합 일관성을 달성할 수 있는가?
• RQ2 적절한 선형 제약 조건을 부여함으로써 고차원 미생물군집 데이터에서 회귀 계수 추정의 정확도와 효율성이 향상되는가?
• RQ3 선형 제약 조건 하에서 비편향 처리 절차가 점근적으로 정규분포를 따르고 타당하게 校정된 신뢰구간을 생성할 수 있는가?
• RQ4 제약 조건이 있는 페널티 추정 방법이 제약 조건이 없는 방법과 비교하여 커버리지 확률과 추정치 분산 측면에서 어떻게 다른가?
• RQ5 일반화된 가속화된 프락시멀 그래디언트 방법이 미생물군집 연구에서 제약 조건이 있는 GLM 문제를 해결하는 데 있어 계산 효율성과 확장성은 어떠한가?

주요 결과

• 비편향 처리 절차는 점근적으로 정규분포를 따르고 편향이 없는 회귀 계수 추정치를 성공적으로 생성하여 타당한 통계적 추론을 가능하게 한다.
• 시뮬레이션 결과에서 신뢰구간의 커버리지 확률이 명목 수준에서 정확히 유지되어 추론 절차의 타당성이 확인되었다.
• 적절한 선형 제약 조건 하에서 추정치의 분산이 제약 조건이 없는 방법보다 작아지며, 이는 효율성 향상을 시사한다.
• 일반화된 가속화된 프락시멀 그래디언트 방법은 제약 조건이 있는 최적화 문제를 효율적으로 해결하여 고차원 설정에서 확장 가능한 계산을 가능하게 한다.
• 실제 미생물군집 데이터셋에서 염증성 장질환(IBD)과 유의미하게 관련된 박테리아 분류군을 성공적으로 식별하여 실용적 유용성을 입증하였다.
• 시뮬레이션 결과, 제약 조건이 올바르게 설정된 경우 유의수준 오류율이 정확히 유지되고 진짜 연관성을 탐지하는 데 높은 검정력을 확보하였다.